论文部分内容阅读
20世纪70年代以来,随着经济和金融全球化的发展,金融监管的放松以及金融创新的不断推进,全球金融体系发生了巨大变化。各金融资产价格波动非常剧烈,市场风险也成为风险管理的重要组成部分。随着市场风险的不断加剧以及投资者、监管层等对市场风险的重视,市场风险的管理也逐渐经历了从起步到成熟的逐步完善过程。传统上使用较多的市场风险管理技术是敏感性分析方法。但是敏感性分析仅仅关组在风险因子给定变化的情况下资产组合的价值变化情况,它没有考虑到风险因子本身发生变动的概率分布。因此从全面风险分析的角度看这种方法有很大的局限性。新的既能够描述损失发生大小、又能够反应损失发生可能性的VaR值技术逐步被人发现并引入金融风险管理。 VaR(Value at Risk),又称在险价值,是一种利用统计技术来度量金融市场风险的方法。目前,市场风险价值VaR已经成为金融风险管理的新标准和新方法。而求解VaR值的关键在于收益率的分布,传统情况下,假定收益率服从正态分布。但实际上,大多数情况下股票价格收益率并不服从正态分布,而是存在尖峰厚尾现象和集聚现象。而GARCH模型正好可以解决这种问题。因此,本文把GARCH族模型应用到VaR值的计算之中。 本文首先对VaR模型及其各种计算方法进行了简单的介绍,然后对GARCH族模型进行了分析。在实证部分中,文章选取了2006年1月24日至2010年1月24日上证180指数、恒生指数和中小板100指数作为研究对象,首先对各个收益率序列进行了正态性检验,平稳性检验和ARCH效应检验,最后建立了适合各个收益率序列的GARCH模型。通过模型的检验和修正,发现ARMA(1,1)-EGARCH模型最适合三个指数收益率序列。 通过上述得出的GARCH模型可以得到收益率序列的标准差。再结合相应的分布假设,就可以得到各个收益率序列的VaR值。然后采用Kupiec提出的检验方法,对VaR值的准确性进行了检验。发现ARMA(1,1)-EGARCH模型能够很好的预测上海市场和深证市场的波动性,而对于香港市场,该模型虽然能够以很大概率保证每日的波动不超过VaR值,但是用此模型求解出的VaR值偏大,也就是该模型高估了香港股票市场的市场风险。最后文章又采用历史模拟法求解了三个收益率序列的VaR值并将其和用参数法求解出的结果进行对比,发现历史模拟法虽然能够捕捉到极端事件发生的可能性,但是该方法大大高估了实际的市场风险,如果实际中采用该方法作为VaR值计算方法并应用于诸如交易头寸的调整、交易限额的设定、银行资本金需求等方面,那么将导致实际资本金的大量闲置和无效利用。